La conclusión en 5 segundos
Lo que de verdad funciona en la automatización con IA no es que la primera respuesta llegue rápido. Es tener que rehacer menos cosas antes de terminar.
Un sistema de producción de artículos pasó, tras unos días o más o menos una semana de reformas intensivas, de ser "algo que le pide a la IA un texto y lo guarda" a ser una pequeña fábrica autónoma, con monitoreo, reejecuciones, control de conflictos, guardado intermedio, aislamiento de fallos, filtros de calidad y gestión de evidencias.
Lo que dio resultado en esa gran reforma fue usar ultra al principio de los cambios de diseño importantes. Es el modo que no solo hace que GPT-5.6 Sol piense más a fondo, sino que además avanza con varias tareas en paralelo.
Una sola ejecución es pesada. Pero después hay menos de "esto estaba roto", "la ejecución en paralelo causó un accidente", "no hay pruebas" y "otra vez a rehacerlo todo". Al final, el tiempo total baja.
En lenguaje de fábrica: el tiempo de ciclo es largo, pero la tasa de retrabajo es baja, así que el plazo total de entrega es corto.
Un aviso antes: Level 6 y Level 7 no son rangos universales
El Level 6 y el Level 7 de este artículo no son niveles de videojuego ni una norma ISO. Son etiquetas que le puse a este sistema para explicar de forma sencilla qué tan madura es la automatización.
La base de la idea se parece a la "computación autonómica" que IBM lleva años investigando. IBM resume las propiedades clave de un sistema autónomo así: se configura solo, se repara solo, se optimiza solo y se protege solo.
Aquí llamo Level 6 a la etapa en la que el sistema vuelve por sí mismo a un estado correcto, y Level 7 a la etapa en la que, además, busca por su cuenta mejores formas de operar dentro de un margen seguro.
Al principio solo era "pedirle a la IA que escriba artículos". Cuando me di cuenta, el blog tenía una valla
La automatización de artículos típica es sencilla:
- Se ejecuta a una hora fija.
- La IA genera el texto.
- Se guarda en un archivo.
- Se sube a GitHub.
- Si falla, lo revisa una persona.
Ya con eso es bastante útil.
Pero cuando crece el número de artículos, llegan los 12 idiomas y automatizas también la auditoría de calidad, los enlaces internos, las actualizaciones y la decisión de publicar, el problema cambia.
La pregunta de fondo ya no es "¿puede escribir?", sino cosas como estas:
- ¿Qué pasa si dos workers (programas que ejecutan tareas) tocan el mismo artículo a la vez?
- Si se cae a mitad de camino, ¿desde dónde se retoma?
- ¿Cómo evitamos reintentar para siempre un trabajo fallido?
- ¿No estaremos reutilizando un resultado de revisión viejo como si fuera nuevo?
- ¿La IA está diciendo por su cuenta que "una persona lo verificó"?
- ¿Quién frena una publicación que no debe salir en ese estado?
- ¿Cómo evitamos que se pare toda la fábrica cuando muere un servicio externo?
- La nota dice "100", pero ¿ese 100 mide realmente el estado actual?
Llegados aquí, ya no es "automatización de blog".
Es un pequeño sistema de producción que usa el contenido como materia prima.
Level 6: aunque se rompa, vuelve solo al estado correcto
En una frase, el Level 6 de esta fábrica es un mecanismo que regresa de forma autónoma a una respuesta correcta fija.
Los elementos principales son estos.
| Mecanismo | Explicado para un chico de secundaria |
|---|---|
| desired state | Se define la "respuesta correcta" en un formato que la máquina pueda leer |
| reconciliation | Se compara lo actual con lo correcto y, si difieren, se arregla |
| lease / fencing | Evita que dos personas hagan a la vez el mismo trabajo por su cuenta |
| checkpoint | Guarda de forma oficial hasta dónde se llegó |
| CAS | No pisa un estado nuevo con uno viejo |
| transactional outbox | Recupera el desajuste de que la acción principal salga bien y solo falle el aviso |
| retry / quarantine | Reintenta los fallos pasajeros y aísla los datos "envenenados" |
| safe publication gate | No deja publicar hasta cumplir las condiciones de calidad |
| failure injection | Rompe cosas a propósito para comprobar si de verdad se recupera |
| observability | Permite medir qué funciona y qué falla |
En una captura de operación, los 21 requisitos de diseño del Level 6 estaban en PASS y la puntuación de la implementación de control era 100. En cambio, la puntuación de garantía, que incluye medición externa, confirmación humana y el historial a largo plazo de todos los workers, era de alrededor del 69 %; la publicación seguía en HOLD y el Level 7 estaba OFF.
Aquí está lo importante.
Un 100 en la implementación y un 100 con el que de verdad puedes dejarlo funcionando tranquilo son cosas distintas.
Aunque pasen todas las pruebas, la evidencia de que ha funcionado de verdad durante una semana, un mes o medio año no se puede fabricar sin dejar pasar el tiempo.
El razonamiento profundo de Sol y Ultra: "una persona pensando mucho" frente a "varias personas en paralelo"
Según la descripción oficial de OpenAI, GPT-5.6 Sol tiene max, que lo hace razonar a fondo, y ultra, una configuración de alta capacidad que coordina a varios agentes en líneas de trabajo paralelas.
Una analogía.
Cuando haces que Sol piense a fondo
Encierras a un diseñador excelente en una sala de reuniones.
"No hay prisa. Lee todo el código y todos los documentos. Busca las contradicciones. Piénsalo hasta el final."
Eso es muy potente.
En el caso de Ultra
El diseñador, quien implementa, quien busca errores, quien se dedica a romper cosas y quien hace las pruebas trabajan a la vez, y al final se juntan los resultados.
En resumen: no es que la inteligencia se duplique sin más, sino que los puntos ciegos se reparten en direcciones distintas.
Según las cifras publicadas por OpenAI, en Terminal-Bench 2.1 GPT-5.6 Sol sacó un 88,8 % y Sol Ultra un 91,9 %. La diferencia es de 3,1 puntos, pero mirando el lado de los fallos, pasa de 11,2 % a 8,1 %, así que con una cuenta sencilla la tasa de fallos baja cerca de un 28 %. Por supuesto, es una sola evaluación y no significa que en cualquier trabajo los fallos bajen un 28 %.
Aun así, en tareas que se pueden dividir, como "leer un repositorio enorme, diseñar, implementar, romper y volver a verificar", se ve con claridad hacia dónde apunta esa diferencia.
¿Por qué el pesado Ultra acaba siendo más rápido?
El tiempo hasta terminar se puede pensar más o menos así:
plazo total = primera implementación + retrabajo + nuevas pruebas + atención de incidentes + corregir malentendidos
Mucha gente solo mira el primer término, la "primera implementación".
Por eso la IA que responde en 30 minutos parece rápida y la que tarda 2 horas parece lenta.
Pero si la versión de 2 horas elimina 6 horas de retrabajo que habrían aparecido después, la de 2 horas es más rápida.
En la industria pasa lo mismo.
Una fábrica que produce rápido y descarta muchísimo en la inspección pierde, al final, contra una que mejora desde el principio la capacidad de su proceso y no genera defectos.
Lo interesante de este "Ultra de un solo golpe" fue que la mayoría de los problemas encontrados después no eran de rehacer el diseño de raíz.
Lo que se fue afinando en las etapas posteriores era, por ejemplo, esto:
- Quiero ver en una sola hoja la prueba de que todos los workers procesaron datos reales.
- No uses un 50/50 viejo como el 50/50 de una auditoría nueva.
- No escribas "revisión humana" cuando fue una revisión de IA.
- Si no hay medición externa, escribe "desconocido".
- Aunque un worker no haya hecho nada, si es un NOOP correcto (no había nada que hacer y no hizo nada a propósito), no lo trates como un fallo.
Esto no es "las columnas estaban al revés, así que hay que reconstruir la casa".
Es más bien el departamento de control de calidad entrando en una fábrica ya terminada para ponerse exigente con las etiquetas de las tuberías y la calibración de los medidores.
Por qué funcionó el "Ultra de una sola sartén"
No digo que todo saliera perfecto a la primera.
Más exactamente: la filosofía del diseño inicial era bastante acertada, así que las correcciones posteriores quedaron en algo local.
Lo que más pesó fue poder meter estas preguntas en el diseño desde el principio:
- ¿Y si se ejecuta a la vez?
- ¿Y si muere a mitad?
- ¿Y si se procesa dos veces?
- ¿Y si escribe agarrado a un estado viejo?
- ¿Y si solo muere la API externa?
- ¿Y si un dato fallido entra en bucle para siempre?
- ¿Y si se rompe la propia comprobación?
- ¿Y si hay una rendija para mentir y decir "todo salió bien"?
Lo normal es aprender esto de a uno, con incidentes en producción.
Esta vez provoqué antes los accidentes laborales, pero virtuales.
Tumbar el servidor dentro de las pruebas antes de que se caiga de verdad. Hacer llorar a la CI antes de que llore una persona.
Esta forma de pensar encaja bien con la ingeniería del caos. En ella se define el estado normal de forma medible, se inyectan a propósito fallos que pasan en la vida real y se comprueba si ese estado normal se rompe.
¿Cuánto vale esto frente al resto del mundo?
Aquí es mejor no exagerar.
Decir "es el sistema más potente del mundo" sería pasarse.
Pero tampoco es solo "escribo un blog con IA".
Para ubicarlo, sirve algo así:
| Con qué se compara | Qué tan lejos queda |
|---|---|
| Pedirle a la IA un artículo y guardarlo | Bastante por delante |
| Automatización en serie tipo Zapier / n8n | Al menos un escalón por delante en recuperación de fallos y control de conflictos |
| El backend serio de un SaaS personal | Comparte bastantes elementos de diseño |
| Plataforma interna de automatización de una empresa pequeña o mediana | Es una comparación razonable |
| Un servicio comercial maduro con SRE (ingenieros de fiabilidad) dedicados | Aún por debajo en historial de operación, monitoreo externo y garantías de seguridad |
| Infraestructura gigante de nivel Google o Amazon | Otro universo en cuanto a escala |
Lo raro, para un proyecto personal, es que haya crecido tanto código sobre cómo comportarse cuando algo falla, más que sobre la función de escribir artículos.
Cuando lease, fencing, CAS, outbox, quarantine y failure injection se instalan en una fábrica de artículos, deja de parecer un blog y se parece más a un centro logístico.
Level 7: el jefe de planta empieza a probar mejoras por su cuenta
En el Level 6, la "respuesta correcta" la fijan las personas.
Si algo se rompe, se vuelve a esa respuesta.
En el Level 7, dentro del margen de lo correcto, el sistema busca por sí mismo mejores formas de operar.
La imagen es esta:
- Medir a la vez calidad, velocidad, costo, tiempo de espera y tasa de fallos.
- Hacer que las condiciones de seguridad sean imposibles de cambiar.
- Probar nuevos prompts y órdenes de procesamiento en shadow (una prueba paralela que no afecta a producción).
- Si se ve bien, ampliarlo como canary (un despliegue gradual): 5 %, 20 %, 100 %.
- Si la calidad cae, volver atrás automáticamente.
- Cuando la fiabilidad es mala, parar solo los experimentos y seguir con la producción normal.
- Dejar en un registro de experimentos qué se probó, qué funcionó y por qué se adoptó.
Se acerca a combinar la self-optimization de la computación autonómica de IBM, el error budget de Google SRE (cuántos fallos puedes permitirte antes de tener que frenar) y el canary y rollback de AWS.
Eso sí, no hace falta meter el Level 7 en producción ahora mismo.
La razón es simple: todavía estoy reuniendo el historial a largo plazo del Level 6.
Si aún estás comprobando que el equipo es estable y le dices al jefe de planta con IA "desde hoy también puedes cambiar la velocidad de la línea por tu cuenta", aislar la causa de cualquier problema se vuelve un fastidio.
Si hay que hacer algo ahora, no es el Level 7 en sí, sino reforzar la observación, juntando en una sola hoja la actividad real de todos los workers.
El mes en que pagas, conviértelo en "mes de inversión en equipos"
No hace falta usar Ultra para las tareas ligeras de todos los días.
Para arreglos pequeños, auditorías rutinarias o el procesamiento de workers ya definido, muchas veces basta con Sol normal o con razonamiento profundo.
Ultra rinde en trabajos donde fallar significa mucho retrabajo:
- Rediseñar todo el sistema
- Refactorizaciones de gran escala
- Reorganizar la estructura de workers
- Diseñar el monitoreo y la recuperación
- Revisar los límites de seguridad
- La base de shadow del Level 7
- Añadir muchas pruebas e inyección de fallos
Por eso lo razonable es operar la fábrica en el día a día, ir acumulando temas de gran reforma y hacer la inversión de golpe cuando se pueda usar el modo superior.
En vez de ver el pago de la IA como "una cuota mensual para ser un poco más listo cada día", mejor verlo como el costo de una obra para rehacer los cimientos de una vez.
Así no hace falta comparar el valor de un modelo pesado solo por su precio por respuesta.
Lo que más aprendí en esta semana larga
Lo más importante que aprendí es no medir la inteligencia de la IA solo por su tasa de aciertos.
En el trabajo real, importan estas cinco cosas:
- Precisión del diseño inicial: ¿hace falta derribarlo todo después?
- Capacidad de refutación: ¿puede romper su propia propuesta?
- Paralelismo: ¿se pueden separar diseño, implementación, pruebas y auditoría?
- Evidencia: en lugar de "creo que funcionó", ¿puede dejar constancia de qué funcionó?
- Recuperabilidad: ¿puede volver a la normalidad tras un fallo sin llamar a una persona?
Es decir, una buena fábrica de IA no es una "fábrica que no falla".
Es una fábrica que da por hecho el fallo, no se detiene cuando falla, no reporta éxitos falsos y puede recuperarse desde cualquier punto.
Conclusión: la velocidad es llegar hasta el final
Si explicas que se avanzó tanto en una semana diciendo simplemente "la IA fue rapidísima", te pierdes lo esencial.
Lo que funcionó fue dedicar muchos recursos de cómputo al diseño inicial y luego volver a una operación normal y barata.
Ultra no es un botón mágico de respuestas correctas. Se parece más a un dispositivo que elimina el retrabajo pagándolo por adelantado.
Aunque cada ejecución sea lenta, si el tiempo total hasta terminar es corto, es rápido.
Y lo que hace falta ahora no es apresurarse a montar un Level 7 más listo.
Es dejar el Level 6 solo un tiempo y ver si de verdad sigue trabajando por su cuenta.
Cuando la fábrica parezca tener tiempo libre, entonces se le puede dar al jefe de planta con IA la autoridad para mejorar.
Por ahora, darle al jefe de planta un botón para cambiar la velocidad de la línea a su antojo sería demasiado divertido.
Referencias (7)
- OpenAI, GPT-5.6: https://openai.com/index/gpt-5-6/
- OpenAI, GPT-5.6 (versión en japonés): https://openai.com/ja-JP/index/gpt-5-6/
- IBM Research, Autonomic computing: https://research.ibm.com/publications/autonomic-computing-architectural-approach-and-prototype
- IBM Research, Utility functions: https://research.ibm.com/publications/achieving-self-management-via-utility-functions
- Google SRE, Error Budget Policy: https://sre.google/workbook/error-budget-policy/
- Principles of Chaos Engineering: https://principlesofchaos.org/
- AWS, Amazon ECS canary deployments: https://docs.aws.amazon.com/AmazonECS/latest/developerguide/canary-deployment.html
